dropout层和全连接层的代码

在 PyTorch 中，可以使用 `nn.Linear` 模块来定义全连接层，使用 `nn.Dropout` 模块来定义 Dropout 层。

下面是一个示例代码，定义了一个包含两个全连接层和一个 Dropout 层的神经网络：

import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc1 = nn.Linear(in_features=100, out_features=50)
        self.relu1 = nn.ReLU()
        self.dropout = nn.Dropout(p=0.5)
        self.fc2 = nn.Linear(in_features=50, out_features=10)
        self.relu2 = nn.ReLU()

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu1(x)
        x = self.dropout(x)
        x = self.fc2(x)
        x = self.relu2(x)
        return x

在这个示例代码中，我们定义了一个两层的神经网络，其中包含一个全连接层、一个 Dropout 层和一个 ReLU 激活函数。在 `__init__` 函数中，我们使用 `nn.Linear` 定义了两个全连接层，其中第一个全连接层的输入维度为 100，输出维度为 50，第二个全连接层的输入维度为 50，输出维度为 10。我们使用 `nn.Dropout` 定义了一个 Dropout 层，丢弃率为 0.5。在 `forward` 函数中，我们先将输入数据传入第一个全连接层，然后使用 ReLU 激活函数进行激活，再传入 Dropout 层进行随机丢弃。最后将输出传入第二个全连接层进行计算，最终使用 ReLU 激活函数输出结果。

需要注意的是，在实际使用中，可以根据具体情况来调整每个层的参数，如丢弃率、激活函数等。